シティズンデータサイエンスラボ

「データサイエンスをみんなの手に。」を目標に掲げるデータビークルのオウンドメディア。「…

シティズンデータサイエンスラボ

「データサイエンスをみんなの手に。」を目標に掲げるデータビークルのオウンドメディア。「シティズンデータサイエンス」とは、統計学の専門家ではない一般の人々がツールを用いて手軽にデータを活用すること。データ分析の世界をより身近にします。https://www.dtvcl.com/

マガジン

  • 市民データサイエンスの現場を訪ねて

    データビークルの最高製品責任者であり統計家の西内啓がデータ活用で成果をあげている企業・組織のキーパーソンの方とデータサイエンスの現実について語り合う対談シリーズ。

  • データサイエンス入門講座

    データを活用してエビデンスに基づいた経営判断を行いたいと考えるすべての人に。「データでもっと儲ける方法 ~経営とマーケティングのためのアナリティクスデザイン~(著:西内啓/発行:翔泳社)」の全文を公開します。

記事一覧

第18回 ズルのできない予測精度の検証方法(1)

シティズンデータサイエンスラボは「データサイエンスを全ての人に」を掲げる株式会社データビークル(https://www.dtvcl.com/)が運営する公式noteです。 「精度100%の予測…

第17回 AI開発における適切な課題設定とは(2)

シティズンデータサイエンスラボは「データサイエンスを全ての人に」を掲げる株式会社データビークル(https://www.dtvcl.com/)が運営する公式noteです。 総負荷量とトレー…

「世界で戦う拡張アナリティクス」をテーマに「Tokyo Data Science Lab 2019-20」を開催します!…

こんにちは。データビークル広報担当です! 昨年データビークルでは「Tokyo Data Science Lab 2018」と銘打ちはじめてのプライベートイベントを開催しました。おかげさま…

第16回 AI開発における適切な課題設定とは(1)

シティズンデータサイエンスラボは「データサイエンスを全ての人に」を掲げる株式会社データビークル(https://www.dtvcl.com/)が運営する公式noteです。 省力化に着目した…

第18回 ズルのできない予測精度の検証方法(1)

第18回 ズルのできない予測精度の検証方法(1)

シティズンデータサイエンスラボは「データサイエンスを全ての人に」を掲げる株式会社データビークル(https://www.dtvcl.com/)が運営する公式noteです。

「精度100%の予測」といわれたら、まず疑うべきこと適切な課題を設定できれば、予測モデルもAIも開発できるようになります。ここまでの具体化ができていれば、統計解析や機械学習の専門家でなくても、日本国内だけで100社以上あるとい

もっとみる
第17回 AI開発における適切な課題設定とは(2)

第17回 AI開発における適切な課題設定とは(2)

シティズンデータサイエンスラボは「データサイエンスを全ての人に」を掲げる株式会社データビークル(https://www.dtvcl.com/)が運営する公式noteです。

総負荷量とトレードオフになる安定性と有効性このように総負荷量という考え方を持って「どれだけの煩わしさを解決できるか」「もっと範囲を広げて考えられないか」というのはAIの課題設定を行う上で最初に検討すべき重要な視点です。しかし総

もっとみる
「世界で戦う拡張アナリティクス」をテーマに「Tokyo Data Science Lab 2019-20」を開催します!(2019年12月6日)

「世界で戦う拡張アナリティクス」をテーマに「Tokyo Data Science Lab 2019-20」を開催します!(2019年12月6日)

こんにちは。データビークル広報担当です!

昨年データビークルでは「Tokyo Data Science Lab 2018」と銘打ちはじめてのプライベートイベントを開催しました。おかげさまで多くの反響をいただき、データサイエンスに対する皆様の関心の深さを改めて認識いたしました。

そこで今年はさらに内容を充実させ会場も大きくして開催させていただくことになりました!

・イベントタイトル:Tokyo

もっとみる
第16回 AI開発における適切な課題設定とは(1)

第16回 AI開発における適切な課題設定とは(1)

シティズンデータサイエンスラボは「データサイエンスを全ての人に」を掲げる株式会社データビークル(https://www.dtvcl.com/)が運営する公式noteです。

省力化に着目したAIの課題設定
「予測精度の改善価値」にフォーカスする予測モデルについては「現状の1.05倍の精度で予測してどの程度のコスト削減効果があるか」と考えればよいことを学びました。また「データを収集したような状態」が

もっとみる